DE102007013971B4

DE102007013971B4 - Method and device for determining a cell contour of a cell

Info

Publication number: DE102007013971B4
Application number: DE102007013971A
Authority: DE
Inventors: Thorsten 55566 Zerfass; Thomas 39108 Rehn; Thomas Dr. 91054 Wittenberg
Original assignee: Fraunhofer Gesellschaft zur Forderung der Angewandten Forschung eV
Current assignee: Fraunhofer Gesellschaft zur Forderung der Angewandten Forschung eV
Priority date: 2007-03-23
Filing date: 2007-03-23
Publication date: 2011-07-14
Anticipated expiration: 2027-03-24
Also published as: DE102007013971A1; EP2130174A1; DE502008001260D1; WO2008116589A1; ATE479965T1; US20100040276A1; ES2351430T3; EP2130174B1

Abstract

A method for determining a cell contour of a cell having a cell nucleus and a cytoplasm in an image of the cell includes determining nucleus candidate pixels belonging to the nucleus. Further, the method comprises determining a pixel within the area formed by the nucleus candidate pixels for obtaining a central nucleus candidate pixel, determining a first edge candidate pixel as a pixel on a predetermined path leading away from the central nucleus candidate pixel by determining a change from a first section to a second section of a color space, and finding edge candidate pixels leading away from the first edge candidate pixel forming a boundary surrounding the cell, via a path-finding algorithm tending to prefer smaller path lengths and paths through pixels in the second section of the color space.

Description

Die vorliegende Erfindung bezieht sich auf ein Verfahren und eine Vorrichtung zur Ermittlung einer Zellkontur einer Zelle und insbesondere auf berandungsgenaue Segmentierung von Plasma und Kernen bei Leukozyten.The present invention relates to a method and a device for determining a cell contour of a cell and, in particular, for boundary-accurate segmentation of plasma and nuclei in leucocytes.

Eine sichere Erkennung und exakte Segmentierung von weißen Blutzellen (Leukozyten) in gefärbten Ausstrichen des peripheren Blutes bildet die Grundlage für eine automatische, bildbasierte Erstellung eines sog. Differenzialblutbildes im Kontext der medizinischen Labordiagnostik (sog. Computer Assistierte Mikroskopie – CAM). Die Vielfältigkeit der in einem Blutausstrich auftretenden weißen Blutzellen, verbunden mit ihrer jeweils charakteristischen Farbverteilung und Texturierung, erhöhen die Schwierigkeit bei der Klassifikation im Rahmen einer vollständigen Automatisierung. Während die automatische Detektion und Segmentierung weißer Blutzellen in digitalen Bildern mittlerweile zum Stand der Technik gehört, ist eine anschließende berandungsgenaue Segmentierung von Zellkern und speziell des Zellplasmas im Hinblick einer nachfolgenden Klassifikation noch nicht gelöst. Die digitalen Bilder können dabei in verschiedenen Farbschemas oder Farbräumen vorliegen. Ein RGB-Farbraum spezifiziert die Farbe eines Bildpunktes durch die Anteile der drei Grundfarben (rot, grün, blau), wobei ein HSV-Farbraum die Farbe eines Bildpunktes durch einen H-Wert (Farbtyp), einen S-Wert (Saturierung) und einen V-Wert (value oder Helligkeit) angegeben wird.A reliable detection and exact segmentation of white blood cells (leucocytes) in stained peripheral blood smears forms the basis for an automatic, image-based creation of a so-called differential blood picture in the context of medical laboratory diagnostics (so-called Computer Assisted Microscopy - CAM). The diversity of the white blood cells occurring in a blood smear, combined with their characteristic color distribution and texturing, increase the difficulty of classification as part of a complete automation. While the automatic detection and segmentation of white blood cells in digital images is now part of the state of the art, a subsequent boundary segmentation of the nucleus and especially of the cell plasma has not yet been resolved with a view to a subsequent classification. The digital images can be present in different color schemes or color spaces. An RGB color space specifies the color of a pixel by the proportions of the three primary colors (red, green, blue), where an HSV color space is the color of a pixel by an H value (color type), an S value (saturation) and a color V value (value or brightness) is specified.

Bekannte Ansätze zur Segmentierung von Zellplasma und Zellkern weißer Blutzelle greifen oftmals auf Schwellwertverfahren zurück. Dies ist zum Beispiel in Cseke, I.: „A fast segmentation scheme for white blond cell images” in 11^th IAPR Int. Conf. On Pattern Recognition Vol. III: Image, Speech & Signal Analysis. (1992) 530–533 und in Liao, Q., Deng, Y.: ”An accurate segmentation method for white blond cell images” in: IEEE Intl. Sym. an Biomedical Imaging. (2002) 245–248 beschrieben. Ein in ”Leukocyte segmentation and classification in blond-smear images” durch Ramoser, H., Laurain, V., Bischof, H., et al in IEEE Engineering Medicine and Biology Society (2005) 3371–3374 vorgeschlagenes Verfahren führt zusätzlich wahrscheinlichkeitstheoretische Elemente ein, um eine Unterscheidung in Hintergrund, rote Blutkörperchen, sowie Kern und Plasma der Leukozyten zu treffen. Ein Active Contour-Verfahren zur Zellumrissbestimmung kommt in ”An automated differential blond count system” durch Ongun, G., Halici, U., Leblebicioglu, K., et al in IEEE Eng. Med. and Biology Soc. 3 (2001) 2583–2586 zum Einsatz. Der in ”A novel white blond cell segmentation scheme based an feature space clustering” durch Jiang, K., Liao, Q. M., Xiong, Y. in Soft Comput. 10 (2006) 12–19 vorgestellte Ansatz setzt auf Scale-Space-Filtering zur Bestimmung des Zellkerns und 3D-Watershed-Clustering des ins HSV-Modell transformierten Bildes. Außerdem wird in dem Preprint „Analysis of Blond and Bone Marrow Smears using Digital Image Processing Techniques” von H. Hengen, S. Spoor und M. Pandit eine Methode für ein Auflösen von Clustern von weißen Blutzellen entwickelt. In dem Preprint „Bildverarbeitung für ein motorisiertes Lichtmikroskop zur automatischen Lymphozytenidentifikation” von M. Beller, R. Stotzka, H. Gemmeke, K. F. Weibezahn und G. Knetlitschek wird ein motorisiertes Lichtmikroskop zusammen mit einer CCD-Kamera eingesetzt, um ein Detektionssystem weiter zu entwickeln, das für Lymphozyten angewendet werden kann. In dem Preprint „Automation of Differential Blond count” von N. Sinha und A. G. Ramakrishnan wird eine Technik zum Zählen von weißen Blutzellen entwickelt, die insbesondere den sog. K-Means-Clustering und EM-Algorithmus verwendet. In dem Preprint „Blond Cell Segmentation using EM-algorithm” von den gleichen Autoren wird ein Verfahren zur Segmentation von Blutzellen vorgestellt, die insbesondere den HSV-Farbraum verwendet, und einer Erwartungswertmaximierung (EN) nutzt. In dem Preprint „Statistical Evaluation of Computer extracted Blood Cell Features for Screening Populations to detect Leukemias” von H. M. Aus, H. Harms, V. ter Meulen und U. Gunzer (in NATO ASI Series Vol. F 30) wird eine Methode zur Segmentierung von Zellbildern verwendet, die Farbunterschiede, äqudistante Isogramme, geometrische Operationen mit einem Zellmodell kombiniert. In dem Preprint „Microscopic Image Analysis using mathematical morphology: Application to haematological Cytology” von J. Angulo und G. Flandrin wird ein Verfahren zur Bildanalyse vorgestellt, bei dem mathematische Morphologie zur Mustererkennung verwendet wird.Known approaches to segmentation of the cell plasma and cell nucleus of white blood cells often rely on threshold methods. This is, for example, in Cseke, I .: "A fast segmentation scheme for white blond cell images" in 11 ^th IAPR Int. Conf. On Pattern Recognition Vol. III: Image, Speech & Signal Analysis. (1992) 530-533 and in Liao, Q., Deng, Y .: "An accurate segmentation method for white blond cell images" in: IEEE Intl. Sym. at Biomedical Imaging. (2002) 245-248. A method proposed in "Leukocyte segmentation and classification in blond-smear images" by Ramoser, H., Laurain, V., Bishop, H., et al., IEEE Engineering Medicine and Biology Society (2005) 3371-3374 additionally introduces probabilistic elements to discriminate against background, red blood cells, as well as nucleus and plasma of leukocytes. An Active Contour method for cell contouring is described in On Anual differential blond count system by Ongun, G., Halici, U., Leblebicioglu, K., et al in IEEE Eng. Med. And Biology Soc. 3 (2001) 2583-2586 are used. The "A novel white blond cell segmentation scheme based on feature space clustering" by Jiang, K., Liao, QM, Xiong, Y. in Soft Comput. 10 (2006) 12-19 relies on scale-space filtering to determine the nucleus and 3D watershed clustering of the image transformed into the HSV model. In addition, H. Hengen, S. Spoor and M. Pandit's Preprint "Analysis of Blonde and Bone Marrow Smears using Digital Image Processing Techniques" develops a method for dissolving white blood cell clusters. In the preprint "Image Processing for a Motorized Light Microscope for Automatic Lymphocyte Identification" by M. Beller, R. Stotzka, H. Gemmeke, KF Weibezahn and G. Knetlitschek, a motorized light microscope is used together with a CCD camera to further develop a detection system that can be used for lymphocytes. N. Sinha and AG Ramakrishnan's Preprint "Automation of Differential Blond Count" develops a technique for counting white blood cells, using the so-called K-means clustering and EM algorithm in particular. In the Preface "Blonde Cell Segmentation Using EM Algorithm" by the same authors, a method for the segmentation of blood cells is presented, which in particular uses the HSV color space, and utilizes Expectation Value Maximization (EN). HM Aus, H. Harms, V. ter Meulen and U. Gunzer (in NATO ASI Series Vol. F 30) will be using a method of segmentation in the Preprint "Statistical Evaluation of Computer Extracted Blood Cell Features for Screening Populations to detect Leukemias" used by cell images combining color differences, equidistant isograms, geometric operations with a cell model. In the preprint "Microscopic Image Analysis using mathematical morphology: Application to Hematological Cytology" by J. Angulo and G. Flandrin, a method for image analysis is presented in which mathematical morphology is used for pattern recognition.

In EP 1775573 A1 und in Jetzek F., Rahn C. -D., Dreschler-Fischer L. „Ein geometrisches Modell für die Zellsegmentierung” Bildverarbeitung für die Medizin 2006, Algorithmen – Systeme – Anwendungen; Proceedings des Workshops vom 19. bis 21. März 2006 in Hamburg, Informatik aktuell, Springer Verlag, Berlin, 2006 ist ein Verfahren für die Segmentierung von sternenförmigen Zellen beschrieben und Mues-Hinterwäller S., Kuziela H., Grobe M., Wittenberg T. „Detektion und berandungsgenaue Segmentierung von Erythrozyten” Bildverarbeitung für die Medizin 2005, Algorithmen – Systeme – Anwendungen; Proceedings des Workshops vom 13 bis 15. März 2005 in Heidelberg; Informatik aktuell, Springer Verlag, Berlin beschreibt ein Segmentierungsverfahren unter Nutzung der Wasserscheiden-Transformation. In EP 1636964 81 ist der Gradientenfluss zur Segmentierung genutzt und WO 99/52074 A1 offenbart die Segmentierung von Zellkernen in Graustufenbildern.In EP 1775573 A1 and in Jetzek F., Rahn C. -D., Dreschler-Fischer L. "A Geometric Model for Cell Segmentation" Image Processing for Medicine 2006, Algorithms - Systems - Applications; Proceedings of the workshop from 19 to 21 March 2006 in Hamburg, Informatik aktuell, Springer Verlag, Berlin, 2006, a method for the segmentation of star-shaped cells is described and Mues-Hinterwäller S., Kuziela H., Grobe M., Wittenberg T "Detection and Bounding Precision Segmentation of Erythrocytes" Image Processing for Medicine 2005, Algorithms - Systems - Applications; Proceedings of the workshop from 13 to 15 March 2005 in Heidelberg; Informatik aktuell, Springer Verlag, Berlin describes a segmentation method using the watershed transformation. In EP 1636964 81 is the gradient flow used for segmentation and WO 99/52074 A1 discloses the segmentation of cell nuclei in grayscale images.

Ausgehend von diesem Stand der Technik liegt der vorliegenden Erfindung die Aufgabe zugrunde, eine Vorrichtung und ein Verfahren zum Ermitteln einer Zellkontur einer Zelle zu schaffen, die zuverlässig, schnell und in hoher Qualität Ergebnisse liefert. Based on this prior art, the present invention has the object to provide an apparatus and a method for determining a cell contour of a cell that provides reliable, fast and high quality results.

Diese Aufgabe wird durch ein Verfahren gemäß Anspruch 1, einer Vorrichtung gemäß Anspruch 15 oder ein Computerprogramm gemäß Patentanspruch 21, gelöst.This object is achieved by a method according to claim 1, a device according to claim 15 or a computer program according to claim 21.

Der vorliegenden Erfindung liegt die Erkenntnis zugrunde, dass die Zellkontur einer Zelle durch einen vierstufigen Verfahrensablauf bestimmt werden kann. Dazu werden zunächst Bildpunkte ermittelt, die Kandidaten für einen Zellkern darstellt und in einem zweiten Schritt wird aus dieser Kandidatenmenge ein mittlerer Kern-Kandidatenbildpunkt bestimmt. Ausgehend von diesem mittleren Kern-Kandidatenbildpunkt wird in einem dritten Schritt ein erster Rand-Kandidatenbildpunkt bestimmt, indem auf einem vorbestimmten Pfad, der von dem mittleren Kern-Kandidatenbildpunkt weg führt, Farbwerte des Bildes erfasst werden, so dass ein Wechsel von einem ersten Abschnitt zu einem zweiten Abschnitt des Farbraumes einen Rand des Zellplasmas signalisiert. Schließlich wird ausgehend von diesem Rand-Kandidatenbildpunkt ein geschlossener Pfad vorzugsweise innerhalb des zweiten Abschnitts des Pfadraumes bestimmt, so dass das Zellplasma von dem geschlossenem Pfad zumeist eingeschlossen wird. Somit umfasst der letzte Schritt ein Finden fortführender Rand-Kandidatenbildpunkte von dem ersten Rand-Kandidatenbildpunkt aus, die einen die Zelle umgebende Grenze bilden, mittels eines Wegfindungsalgorithmus, der dazu tendiert, kleinere Weglängen und Wege durch Bildpunkte im zweiten Abschnitt des Farbraumes zu bevorzugen.The present invention is based on the finding that the cell contour of a cell can be determined by a four-step procedure. For this purpose, first pixels are determined, which represents candidates for a nucleus, and in a second step, a mean core candidate pixel is determined from this candidate set. Starting from this central core candidate pixel, in a third step, a first candidate edge pixel is determined by capturing color values of the image on a predetermined path leading away from the central core candidate pixel, such that a change from a first portion to signals a border of the cell plasma to a second section of the color space. Finally, starting from this edge candidate pixel, a closed path is preferably determined within the second portion of the path space, so that the cell plasma is mostly trapped by the closed path. Thus, the final step comprises finding candidate edge candidate pixels from the first edge candidate pixel that form a boundary surrounding the cell by means of a pathfinding algorithm that tends to favor smaller path lengths and paths through pixels in the second portion of the color space.

Eine erfindungsgemäße Vorrichtung weist eine Einrichtung zum Ermitteln von Kern-Kandidatenbildpunkte, eine Einrichtung zum Bestimmen eines mittleren Kern-Kandidatenbildpunktes, eine Einrichtung zum Bestimmen eines ersten Rand-Kandidatenbildpunktes sowie eine Einrichtung zum Finden fortführender Rand-Kandidatenbildpunkte auf.A device according to the invention comprises means for determining kernel candidate pixels, means for determining a mean kernel candidate pixel, means for determining a first edge candidate pixel, and means for finding continuous edge candidate pixels.

Insbesondere wird bei Ausführungsbeispielen der vorliegenden Erfindung ein neuartiger Ansatz verfolgt, der sogenannte Level-Set/Fast Marching-Methoden mit einem kürzeste Pfade-Algorithmus kombiniert, um dadurch eine möglichst vollständige und berandungsgenaue Segmentierung von Zellkern und Zellplasma zu erreichen. Als Ausgangsmaterial dienen dabei Lichtmikroskopaufnahmen von Blutabstrichen, die mit einer MGG-Färbung (May-Grünwald-Giemsa-Färbung) behandelt wurden. Dadurch werden bestimmte Bestandteile der Zelle (Zellkern, Zellplasma), Hintergrund, rote Blutzellen etc. entsprechend farblich markiert und die entsprechenden farblichen Charakteristika finden ihren Niederschlag in der Wahl der Parametrisierung des folgenden Verfahrens. Um eine Segmentierung automatisch durchführen zu können, z. B. kann ein dreistufiger Algorithmus verwendet werden, der sich grob in:

1. Bildvorverarbeitung;
2. Auffinden von Kern und Plasma; und
3. Nachbearbeitung und Feinkorrektur

unterteilen lässt.In particular, in embodiments of the present invention, a novel approach is pursued that combines so-called level set / fast marching methods with a shortest path algorithm to thereby achieve the most complete and precise boundary segmentation of cell nucleus and cell plasma. Photomicrographs of blood smears treated with a MGG stain (May-Grünwald-Giemsa stain) serve as starting material. As a result, certain components of the cell (cell nucleus, cytoplasm), background, red blood cells, etc. are marked accordingly in color and the corresponding color characteristics are reflected in the choice of the parameterization of the following process. In order to perform a segmentation automatically, z. For example, a three-level algorithm may be used which is roughly:

1. image preprocessing;
2. finding the nucleus and plasma; and
3. Post-processing and fine-tuning

subdivide.

Da einige Bildelemente wie rote Blutkörperchen (bläulicher Rand durch die Färbung und Optik) und Granulozyten (Textur mit relativ hochfrequenter farblicher Varianz) lokal mit atypischen oder den Hauptalgorithmus störenden Eigenschaften versehen sind, können in der Vorverarbeitung die Bilder zunächst mit einem kantenerhaltenden und rauschunterdrückenden Kuwahara-Filter vorverarbeitet werden. Der Kuwarara Filter ist zum Beispiel in ”On the evaluation of edge preserving smoothing filter” durch Chen, S., Shih, T. Y. in: Proceedings of Geoinformatics. (2002) paper C43 beschrieben.Since some picture elements such as red blood cells (bluish border through the coloring and optics) and granulocytes (texture with relatively high-frequency color variance) are locally provided with atypical or the main algorithm disturbing properties, in the preprocessing, the images can first with an edge-preserving and noise-canceling Kuwahara Filter be preprocessed. The Kuwarara filter is described, for example, in "On the evaluation of edge preserving smoothing filter" by Chen, S., Shih, T.Y. in: Proceedings of Geoinformatics. (2002) paper C43.

Die zweite Stufe (Auffinden von Kern und Plasma) kann wie folgt zusammengefasst werden. Um die Empfindlichkeit gegenüber Schwankungen der Farbkomponenten weiter zu reduzieren, findet die weitere Verarbeitung z. B. nach einer Transformation des RGB-Eingangsbildes ins HSV-Modell statt. Als erstes werden mittels eines Schwellenwertverfahrens (Thresholding) Kandidaten für den relativ einfach grob zu lokalisierenden Zellkern (dunkle Blaufärbung) bestimmt. Diese dienen zunächst weniger zur Markierung als viel mehr zu einer Mittelpunktsbestimmung der Zelle. Innerhalb dieser Kandidatenmenge N werden zufällig n Punkte S ⊂ N ausgewählt und derjenige, der min_x∊S Σ_y∊Sd(x, y) erfüllt, also den geringsten Abstand d zu allen anderen Punkten aus S hat, zum vorläufigen Mittelpunkt m_seed erklärt. Als nächster Schritt erfolgt eine Bestimmung von Punkten knapp außerhalb des Zellplasmas beziehungsweise eine Markierung des letzteren, um die Kontur der Zelle erfassen zu können. Hierbei kann ein Fast-Marching-Algorithmus zum Einsatz kommen, der zum Beispiel in ”Levelset methods and fast marching methods” Cambridge University Press (1999) durch Sethian, J. A. beschrieben ist und eine diskrete Variante der Eikonal-Gleichung: ||∇u(x)|| F(x) = 1 in u löst, welche die Ausbreitung einer Welle, ausgehend von m_seed in Abhängigkeit der den Pixeln zugrunde liegenden Farbeigenschaften F, simuliert (wobei ∇ der Nabla-Operator ist und x einen Punkt in der Bildebene bezeichnet).The second stage (finding core and plasma) can be summarized as follows. In order to further reduce the sensitivity to fluctuations of the color components, the further processing z. B. after a transformation of the RGB input image into the HSV model instead. First, by means of a threshold value method (thresholding), candidates are determined for the nucleus, which is relatively easy to locate roughly (dark blue coloration). These are initially less for marking than much more for a center point determination of the cell. Within this candidate set N, n points S ⊂ N are randomly selected, and the one that _satisfies min _xεS Σ _yεS d (x, y), ie has the smallest distance d to all other points from S, to the preliminary center m _seed explained. As a next step, a determination of points just outside of the cell plasma or a marker of the latter takes place in order to detect the contour of the cell can. Here, a fast marching algorithm may be used, which is described for example in Levelset methods and fast marching methods by Cambridge University Press (1999) by Sethian, JA and a discrete variant of the Eikonal equation: || ∇u ( x) || F (x) = 1 in u triggers, which the Propagation of a wave, based on m _seed in dependence of the color properties underlying the pixels F, (where ∇ is the Nabla operator and x denotes a point in the image plane).

Im Optimalfall ist durch {u < F(m_seed) + ε} mit geeigneter Funktion F und ε bereits die Zelle beschrieben. Dass dies in der Realität fast nie gegeben ist, liegt zumeist in der unscharfen Trennung der weißen und roten Zellen begründet; das Resultat ist aber zumeist sehr gut geeignet um mit einem anderen Verfahren eine vollständige Trennung herbeizuführen. Als brauchbar für die Segmentierung von Leukozyten hat sich die Funktion F von der folgenden Struktur herausgestellt:

wobei mit c(x) die Summe der drei Farbkomponenten im RGB-Raum und mit v(x) die Value-Komponente im HSV-Modell im Punkte x bezeichnet. Die Parameter sind so zu wählen, dass mittels α₁ der Bild-Hintergrund und α₂ bzw. γ alles außerhalb von Hintergrund, der Zellkern durch c(x) < α₂ und das Zellplasma durch v(x) > γ erfasst wird. Um nicht von einer speziellen Farbsituation abhängig zu sein, kann eine iterative Anpassung des Parameters γ implementiert werden, α₁ und α₂ können für Bilderserien unter gleichen Aufnahmebedingungen unverändert bleiben. Der Wert von γ hingegen, wird beispielsweise von einem niedrigen Niveau ausgehend schrittweise erhöht, bis bei einem Lauf in Nord-, Süd-, West- und Ostrichtung von Punkten nahe von m_seed jeweils Punkte P_N, P_S, P_W, P_O, aus {u > F(m_seed) + ε} gefunden werden, die nach Wahl der Parameter Bereiche außerhalb der Zelle markieren sollen. Anschließend kann mittels eines Wegfindungsalgorithmus ein Pfad entlang der Kontur der Zelle bestimmt werden. So führt eine Dijkstra-Variante unter Verwendung einer farbabhängigen Kostenfunktion c(x, y) für die (gerichtete) Kante zwischen benachbarten Punkte x und y (8er Nachbarschaft) mit

zur gewünschten Trennung der Zelle von ihrer Umgebung, wobei h(x) den Hue-Wert im HSV-Modell im Punkt x und H_blue eine Untermenge des blauen Hue-Wertebereichs, sowie 1_A(x) die Indikatorfunktion der Menge A bezeichnet. Die Parameter α und γ sind beispielsweise derart gewählt, dass der Pfad möglichst nicht über die bläulich gefärbte Zelle verläuft, während β den Weg auch nicht allzu weit von der Zelle wegführen lässt.In the optimal case, the cell is already described by {u <F (m _seed ) + ε} with suitable function F and ε. That this is almost never the case in reality is mostly due to the blurred separation of white and red cells; However, the result is usually very well suited to bring about a complete separation with another method. As useful for the segmentation of leukocytes, the function F has been found to be of the following structure:

where c (x) denotes the sum of the three color components in RGB space and v (x) denotes the value component in the HSV model at point x. The parameters are to be chosen such that α ₁ captures the image background and α ₂ or γ all outside of background, the nucleus through c (x) <α ₂ and the cell plasma through v (x)> γ. In order not to be dependent on a specific color situation, an iterative adaptation of the parameter γ can be implemented, α ₁ and α ₂ can remain unchanged for image series under the same recording conditions. On the other hand, the value of γ, for example, is incrementally increased from a low level until points of P _N , P _S , P _W , P _{O are} respectively run in north, south, west, and east directions from points near m _seed , from {u> F (m _seed ) + ε} are found, which are to mark after the selection of the parameters areas outside the cell. Subsequently, a path along the contour of the cell can be determined by means of a pathfinding algorithm. Thus, a Dijkstra variant using a color-dependent cost function c (x, y) for the (directed) edge between adjacent points x and y (8's neighborhood)

for the desired separation of the cell from its environment, where h (x) denotes the Hue value in the HSV model at the point x and H _blue a subset of the blue Hue value range, and 1 _{A (x)} the indicator function of the set A. The parameters .alpha. And .gamma. Are chosen, for example, such that the path does not extend over the bluish-colored cell as much as possible, while .beta. Does not allow the path to be led too far away from the cell.

Auf solche Weise bestimmte Pfade, die die vier Punkte P_N, P_S, P_W, P_O durch vier Teilpfade verbinden, markieren oftmals den Zellenumriss schon recht genau. Das oben beschriebene Schwellwertverfahren zur Bestimmung des Zellkerns ist zwar geeignet einen guten Ausgangspunkt m_seed innerhalb der zu segmentierenden Zelle zu finden, hat sich jedoch als ungeeignet erwiesen, den vollen für das menschliche Auge als solchen wahrnehmbaren Zellkern zu erfassen. Für diese Aufgabe wurde ein anderes Schwellwertverfahren, das beim Verhältnis zwischen Blau- und Grün-Kanal des RGB-Eingangsbildes ansetzt, verwendet.Paths determined in this way, which connect the four points P _N , P _S , P _W , P _O through four subpaths, often already mark the cell outline very precisely. Although the above-described threshold method for determining the cell nucleus is suitable for finding a good starting point for the _seed within the cell to be segmented, it has proved to be unsuitable for detecting the full cell perceptible to the human eye as such. For this task, another threshold method was used, which sets the ratio between the blue and green channels of the RGB input image.

Da es sich gezeigt hat, dass mit Hilfe des oben beschriebenen Verfahrens bestimmte Pfade Konkavitäten des Zellplasmas nur schwer gerecht werden, kann eine Nachbearbeitung des Pfades das Resultat verbessern. Dabei kann der Pfad punktweise in Richtung m_seed verschoben werden und zwar solange wie sich die Punkte auf dem durch die Farbe klar zu erkennenden Hintergrund oder auf auch roten Blutkörperchen befinden. Die so erhaltene Punktemenge, jeweils durch Kanten verbunden und geglättet, stellt ein Ergebnis des gesamten Verfahrens des Zellplasma betreffend dar.Since it has been shown that with the aid of the method described above, certain paths are difficult to satisfy the concavities of the cell plasma, post-processing of the path can improve the result. The path can be moved pointwise in the direction of the _seed as long as the points are located on the background, which can be clearly recognized by the color, or on red blood cells. The amount of points thus obtained, each connected and smoothed by edges, represents a result of the whole process of the cytoplasm.

Auch das Ergebnis hinsichtlich des Zellkerns kann mittels eines Nachverarbeitungschrittes verbessert werden. Beispielsweise kann mittels eines morphologischen Open-Close-Filters störende, isoliert liegende Punkte entfernt werden.The result with regard to the cell nucleus can also be improved by means of a post-processing step. For example, disturbing, isolated points can be removed by means of a morphological open-close filter.

Die Leistungsfähigkeit des vorgestellten Algorithmus kann anhand einer Sammlung von Proben überprüft werden, die die verschiedensten Typen von Leukozyten enthalten. Dabei kann mit Hilfe verschiedener Kenngrößen die Qualität der automatischen Segmentierung mit einer zuvor per Hand durchgeführten Segmentierung verglichen werden. Bei der Evaluation kann beispielsweise zum Einen der Dice-Koeffizient

zum Einsatz kommen als auch eine normierte Hausdorff-MetrikThe performance of the proposed algorithm can be tested against a collection of samples containing a variety of types of leukocytes. It can be compared with the help of various parameters, the quality of the automatic segmentation with a previously performed by hand segmentation. In the evaluation, for example, on the one hand, the dice coefficient

as well as a standardized Hausdorff metric

Die Ergebnisse können für Zellkern und -plasma getrennt in folgendermaßen zusammengefasst werden:
Zellplasma: CD = 0,94 ± 0,02; H = 0,91 ± 0,03
und für den
Zellkern: CD = 0,94 ± 0,02; H = 0,90 ± 0,04.The results for nuclear and plasma can be summarized separately in the following way:
Cell plasma: CD = 0.94 ± 0.02; H = 0.91 ± 0.03
and for the
Cell nucleus: CD = 0.94 ± 0.02; H = 0.90 ± 0.04.

Die optischen Eindrücke der Segmentierungsergebnisse bestätigen die Resultate der Evaluierung durch Kennzahlen.The visual impressions of the segmentation results confirm the results of the evaluation by indicators.

Ein erfindungsgemäßes Verfahren zur Segmentierung von Leukozyten in Kern und Plasma, welches anhand von Bildern in Blutausstrichen ausgeführt wird, kann demnach beispielsweise einen Schritt der Vorverarbeitung durch einen Kuwahara-Filter und einen anschließenden Fast-Marching-Verfahren zur Bestimmung der groben Zellumrisse umfassen. Ferner kann ein erfindungsgemäßes Verfahren einen kürzesten Wegealgorithmus umfassen, der zum großen Teil auf den bestimmten Level-Sets operiert, um die Zellfläche zu erhalten. Die Markierung des Zellkerns kann beispielsweise im Wesentlichen durch reine Schwellenwertoperationen erfolgen. Die damit erzielten Ergebnisse erreichen bei einer Evaluierung sowohl auf visueller Basis als auch mittels Standard-Maßzahlen wie Dice-Koeffizienten und Hausdorff-Distanz gute Ergebnisse.A method according to the invention for segmenting leukocytes in the nucleus and plasma, which is carried out on the basis of images in blood smears, can therefore comprise, for example, a step of preprocessing by a Kuwahara filter and a subsequent fast marching method for determining the coarse cell outlines. Further, a method according to the invention may include a shortest path algorithm that operates in large part on the particular level sets to obtain the cell area. The labeling of the cell nucleus can, for example, be carried out essentially by pure threshold value operations. The results achieved with these results achieve good results in an evaluation on a visual basis as well as using standard measures such as Dice coefficients and Hausdorff distance.

Bevorzugte Ausführungsbeispiele der vorliegenden Erfindung werden nachfolgend bezugnehmend auf die beiliegenden Zeichnungen näher erläutert.Preferred embodiments of the present invention will be explained below with reference to the accompanying drawings.

Es zeigen:Show it:

1 eine Schrittfolge zum Ermitteln einer Zellkontur gemäß einem Ausführungsbeispiel der vorliegenden Erfindung; 1 a sequence of steps for determining a cell contour according to an embodiment of the present invention;

2 eine erweiterte Schrittfolge zum Ermitteln einer Zellkontur mit Vorbearbeitung und Nachbearbeitung; 2 an advanced step sequence for determining a cell contour with pre-processing and post-processing;

3 eine Schleifenverarbeitung zur Bestimmung eines Parameters γ; 3 a loop processing for determining a parameter γ;

4 eine Darstellung des Algorithmus einschließlich Vor- und Nachbearbeitung; 4 a representation of the algorithm including pre- and post-processing;

5 eine graphische Darstellung einer Zellkontur mit Zellkern und Zellplasma; 5 a graphic representation of a cell contour with cell nucleus and cell plasma;

6 eine Veränderung von Farbwerten im Zellkern, Zellplasma und Hintergrund; 6 a change of color values in the nucleus, cytoplasm and background;

7 eine Darstellung zur Veranschaulichung des kürzesten Wege-Algorithmus; 7 a representation to illustrate the shortest path algorithm;

8 Bilder für verschiedene Stufen der Verarbeitung des Algorithmus; und 8th Images for different levels of algorithm processing; and

9 Bilder von vier Typen von Leukozyten und deren Verarbeitung in dem erfindungsgemäßen Verfahren. 9 Pictures of four types of leukocytes and their processing in the method according to the invention.

Bevor im Folgenden die vorliegende Erfindung anhand der Zeichnungen näher erläutert wird, wird darauf hingewiesen, dass gleiche Elemente in den Figuren mit den gleichen oder ähnlichen Bezugszeichen versehen sind und dass eine wiederholte Beschreibung dieser Elemente weggelassen wird.Before the present invention is explained in more detail below with reference to the drawings, it is pointed out that the same elements in the figures are given the same or similar reference numerals and that a repeated description of these elements is omitted.

1 zeigt eine Schrittfolge zur Ermittlung einer Zellkontur 110 einer Zelle mit einem Zellkern 114 und einem Zellplasma 116 in einem Bild (siehe auch 5 unten), das an einem Eingang 131 anliegt. 1 shows a sequence of steps for determining a cell contour 110 a cell with a nucleus 114 and a cytoplasm 116 in a picture (see also 5 below), at an entrance 131 is applied.

Zunächst werden Kern-Kandidatenbildpunkte K_i, die zu dem Zellkern 114 gehören, ermittelt und in einem Folgeschritt wird ein mittlerer Kern-Kandidatenbildpunkt K₀ bestimmt, wobei der mittlere Kern-Kandidatenbildpunkt K₀ im Innern eines durch die Kern-Kandidatenbildpunkte K_i gebildetes Gebiet liegt. Daran anschließend wird ein erster Rand-Kandidatenbildpunkt P_N bestimmt, wobei der ersten Rand-Kandidatenbildpunkt P_N auf einen von dem mittleren Kern-Kandidatenbildpunkt K₀ aus wegführenden vorbestimmtem Pfad 120 liegt, und durch einen Wechsel von einem ersten Abschnitt zu einem zweiten Abschnitt des Farbraumes erfasst wird. In Abhängigkeit eines verwendeten Farbraumes, sind die unterschiedlichen Abschnitte durch unterschiedliche Farbkomponenten gegeben und ein Wechsel kann beispielsweise dadurch signalisiert sein, dass eine dieser Komponenten des verwendeten Farbraumes sich nicht kontinuierlich, sondern sprunghaft ändert. Im Anschluss an die Bestimmung des ersten Rand-Kandidatenbildpunktes P_N wird ein Pfad 122 gefunden, der die Zellkontur 110 im Wesentlichen umschließt, zum Beispiel indem zumindest 90% des Pfades 122 außerhalb der Zellkontur 110 liegt. Dieses Finden kann durch ein Wegfindungsalgorithmus geschehen, bei dem fortführend Rand-Kandidatenbildpunkte, ausgehend von dem ersten Rand-Kandidatenbildpunkt P_N aus gefunden werden und die eine die Zelle umgebende Grenze bilden. Der Wegfindungsalgorithmus kann dabei derart ausgeführt werden, dass sowohl kleinere Weglängen als auch Wege durch Bildpunkte im zweiten Abschnitt des Farbraumes bevorzugt werden. Dies kann beispielsweise durch eine entsprechend gewählte Kostenfunktion realisiert werden. Das Ergebnis der Ausführung dieser Verfahrensschritte liegt dann an einem Ausgang 139 an.First, core candidate pixels K _i become the nucleus 114 and, in a subsequent step, a mean kernel candidate pixel K _{0 is} determined, wherein the mean kernel candidate pixel K ₀ lies inside an area formed by the kernel candidate pixels K _i . it Subsequently, a first edge candidate pixel P _{N is} determined, wherein the first edge candidate pixel P _{N is directed} to a predetermined path leading away from the central core candidate pixel K ₀ 120 is detected, and is detected by a change from a first portion to a second portion of the color space. Depending on a color space used, the different sections are given by different color components and a change can be signaled, for example, by the fact that one of these components of the color space used does not change continuously but suddenly. Following the determination of the first edge candidate pixel P _N becomes a path 122 found the cell contour 110 essentially encloses, for example, by at least 90% of the path 122 outside the cell contour 110 lies. This finding can be done by a routing algorithm that continues to find candidate edge pels from the first edge candidate P _N image that form a boundary surrounding the cell. The pathfinding algorithm can be carried out in such a way that both smaller path lengths and paths through pixels in the second section of the color space are preferred. This can be realized, for example, by a suitably selected cost function. The result of the execution of these method steps is then at an output 139 at.

2a zeigt eine erweiterte Schrittfolge, wobei die in der 1 gezeigte Schrittfolge als Hauptschrittfolge 130 dargestellt ist, wobei die Bilddaten am Eingang 131 anliegen und der Ausgang 139 das Resultat des Abarbeitens der Hauptschrittfolge 130 bereitstellt. Gemäß der Schrittfolge aus 2a erfolgt zunächst eine Eingabe von Bilddaten, z. B. in digitaler Form im RGB-Farbschema. Diese Bilddaten können anschließend in einem Kuwahara-Filter vorbearbeitet werden. Ein Kuwahara-Filter ist ein nicht-linearer glättender Filter, der Kanten erhält. Wie in 2b gezeigt, werden dabei um einen gegebenen Bildpunkt 161 herum ein Gebiet mit einer ungeraden Anzahl von Bildpunkten (5x5 in 2b) gebildet, so dass der gegebene Bildpunkt 161 in der Mitte des Gebietes liegt. Schließlich werden vier Regionen 161a, 161b, 161c, 161d gebildet, so dass der zentrale Bildpunkt 161 jeweils ein Eckpunkt der vier Regionen 161a, ..., 161d darstellt. Für jede Region wird eine durchschnittliche Helligkeit mit einer entsprechenden Standardabweichung gebildet. Das Kuwahara-Filter ordnet nun den zentralen Bildpunkt 161 den durchschnittlichen Wert jener Region zu, die die kleinste Standardabweichung aufweist. 2a shows an extended sequence of steps, where in the 1 shown sequence of steps as a main sequence of steps 130 is shown, with the image data at the input 131 abut and the output 139 the result of completing the main sequence of steps 130 provides. According to the sequence of steps 2a First, an input of image data, z. B. in digital form in the RGB color scheme. This image data can then be preprocessed in a Kuwahara filter. A Kuwahara filter is a non-linear smoothing filter that receives edges. As in 2 B shown are doing around a given pixel 161 around an area with an odd number of pixels ( 5x5 in 2 B ), so that the given pixel 161 located in the middle of the area. Finally, four regions 161a . 161b . 161c . 161d formed so that the central pixel 161 one corner point each of the four regions 161a , ..., 161d represents. For each region, an average brightness with a corresponding standard deviation is formed. The Kuwahara filter now assigns the central pixel 161 the average value of the region having the smallest standard deviation.

Damit ist eine Vorbereitung 160 der Bilddaten abgeschlossen und das Resultat wird an einem Ausgang 162 einem Folgeschritt, bei dem die Bilddaten in einen Farbraum transformiert werden können, der in der Hauptschrittfolge 150 verwendet wird. Das kann beispielsweise der sog. HSV-Farbraum sein. Dabei charakterisiert ein H-Wert den Farbtyp, wie beispielsweise Rot, Blau oder Gelb und wird typischerweise in einer Region oder einem Winkel von 0 bis 360° angegeben. Ein S-Wert bezeichnet die Saturierung des jeweiligen Farbtyps und wird typischerweise in einem Bereich von 0 bis 100 angegeben. Bei manchen Anwendungen wird diese Saturierung auch als Reinheit der jeweiligen Farbe bezeichnet und je geringer die Saturierung einer Farbe ist, umso stärker ist ein gräulicher Farbton erkennbar und umso mehr ist ein Verblassen der Farbe erkennbar. Ein letzter Wert im HSV-Farbraum ist der V-Wert, der die Helligkeit einer Farbe kennzeichnet und typischerweise in Prozent (von 0 und 100%) angegeben wird. Eine Darstellung des HSV-Farbraumes kann beispielsweise mittels einer Kegelpyramide erfolgen, wobei die Winkelvariable dem H-Wert, die radiale Richtung den S-Wert und die Höhe dem V-Wert entspricht. Dabei entspricht der Spitze der Kegelpyramide der schwarzen Farbe und dem Ursprung der Kegelgrundfläche der weißen Farbe. In diesem Bild kann jeder Bildpunkt durch einen Zeiger dargestellt werden, wobei der Zeiger auf einen der Farbe entsprechenden Punkt innerhalb oder auf dem Rand des Kegels zeigt.This is a preparation 160 the image data is completed and the result is at an output 162 a subsequent step in which the image data can be transformed into a color space in the main sequence 150 is used. This can be, for example, the so-called HSV color space. H-value characterizes the color type such as red, blue or yellow and is typically given in a region or an angle of 0 to 360 °. An S value denotes the saturation of the respective color type and is typically specified in a range of 0 to 100. In some applications, this saturation is also referred to as the purity of the respective color, and the lower the saturation of a color, the more a greyish hue is discernible, and the more the fading of color is discernible. A last value in the HSV color space is the V value, which denotes the brightness of a color and is typically expressed as a percentage (from 0 to 100%). A representation of the HSV color space can be effected, for example, by means of a conical pyramid, the angle variable corresponding to the H value, the radial direction to the S value and the height to the V value. The top of the conical pyramid corresponds to the black color and the origin of the conical surface of the white color. In this image, each pixel can be represented by a pointer, with the pointer pointing to a point corresponding to the color within or on the edge of the cone.

Bei weiteren Ausführungsbeispielen kann auch ein anderer Farbraum verwendet werden, jedoch erweist sich der HSV-Farbraum für die Anwendung der Segmentierung von weißen Blutzellen als günstig. Zum Beispiel ist der Wechsel beim Übergang von Zellplasma 116 zu einem Hintergrund bzw. auch der Übergang vom Zellkern 114 zum Zellplasma 116 im HSV-Farbraum besonders leicht zu detektieren. Zum Beispiel kann ein eindeutiger Sprung in einem der Werte des Farbraumes leicht durch ein Computerprogramm feststellbar sein. Im HSV-Raum kann es beispielsweise zu einem Sprung des Zeigers kommen. Nachdem die Bilddaten in dem HSV-Farbraum transformiert wurden, erfolgt die Abfolge der Schritte, wie sie in 1 gezeigt wurden und das Resultat liegt an dem Ausgang 139 an. In einem Folgeschritt kann nun eine Segmentierung 164 des Zellkerns 114 ausgeführt werden, das heißt, die Kern-Kandidatenbildpunkte K_i werden zu einem Zellkern 114 verschmolzen, dessen Form gemäß verschiedener Typen variieren kann. Für die Segmentierung 164 des Zellkerns 114 kann ein Schwellwertverfahren verwendet werden, bei dem nicht das HSV-Farbschema zugrunde liegt, sondern bei dem im RGB-Farbraum ein Verhältnis zwischen dem Blau- und dem Grünkanal untersucht wird. Das heißt, dass sich Bildpunkte, die zu einem Zellkern 114 gehören, sich eindeutig in diesem Verhältnis von anderen Bildpunkten unterscheiden.In other embodiments, a different color space may be used, however, the HSV color space proves to be favorable for the application of the segmentation of white blood cells. For example, the change is at the transition from cytoplasm 116 to a background or the transition from the nucleus 114 to the cytoplasm 116 particularly easy to detect in the HSV color space. For example, a unique jump in one of the values of the color space may be easily detectable by a computer program. In the HSV room, for example, there may be a jump in the pointer. After the image data in the HSV color space has been transformed, the sequence of steps as described in FIG 1 were shown and the result is at the exit 139 at. In a subsequent step can now be a segmentation 164 of the nucleus 114 that is, the core candidate pixels K _i become a nucleus 114 whose shape may vary according to different types. For the segmentation 164 of the nucleus 114 For example, a threshold method may be used that does not underlie the HSV color scheme, but instead examines a relationship between the blue and green channels in the RGB color space. That is, pixels that become a nucleus 114 belong clearly different in this relationship from other pixels.

Das Ergebnis der Segmentierung 164 des Zellkerns 114 liegt am Ausgang 166 an, und die Daten werden anschließend einer Nachbearbeitung 170 zugeführt. Die Nachbearbeitung 170 kann dabei beispielsweise ein Verschieben des Pfades in Richtung des Zellkerns 114 (Anpassung des Pfades an die Zellkontur) aufweisen und in einem letzten Schritt eine Nachbearbeitung des Zellkerns 114 umfassen. Die Verschiebung des Pfades in Richtung des Zellkerns 114 ist deshalb sinnvoll, da an dem Wegfindungsalgorithmus das Finden des Pfades derart ausgeführt wurde, dass Punkte entlang des Pfades, die außerhalb des Zellplasmas 116 liegen, bevorzugt wurden und demzufolge wird der Pfad 122 eher außerhalb des Zellplasmas 116 als innerhalb des Zellplasmas 116 liegen (es wird nur sehr selten zu einer Verletzung der Zellgrenze bzw. der Zellkontur 110 durch den Pfad 122 kommen). Die Verschiebung des Pfades in Richtung des Zellkerns 114 kann dabei derart geschehen, dass punktweise der Pfad 122 in Richtung des Zellkerns 114 verschoben wird und zwar solange, bis der Wechsel vom Abschnitt 2 des Farbraumes zum Abschnitt 1 des Farbraumes erkennbar wird. Somit wird die durch den Pfad 122 eingeschlossene Fläche solange verkleinert, bis sie der Zellkontur 110 der Zelle weitestgehend entspricht. Bei der abschließenden Nachbearbeitung des Zellkerns 114 werden insbesondere Kandidatenbildpunkte k_i eliminiert, die von der Menge der Kern-Kandidatenbildpunkte K_i, die eindeutig als Zellkern 114 identifizierbar sind, separiert sind (z. B. isoliert liegende Bildpunkte k_i innerhalb des Zellplasmas 116). The result of the segmentation 164 of the nucleus 114 is at the exit 166 and the data is then post-processed 170 fed. The postprocessing 170 may, for example, a displacement of the path in the direction of the nucleus 114 (Adaptation of the path to the cell contour) and in a final step, a post-processing of the cell nucleus 114 include. The shift of the path towards the nucleus 114 It makes sense, therefore, that at the pathfinding algorithm the finding of the path was carried out in such a way that points along the path, outside the cell plasma 116 lie, have been preferred, and consequently the path 122 rather outside the cell plasma 116 as within the cell plasma 116 lie (it is very rarely a violation of the cell boundary or the cell contour 110 through the path 122 come). The shift of the path towards the nucleus 114 can be done in such a way that pointwise the path 122 in the direction of the nucleus 114 is moved until the change from the section 2 of the color space to the section 1 the color space is recognizable. Thus, that is through the path 122 enclosed area as long as reduced to the cell contour 110 corresponds to the cell as much as possible. At the final reworking of the cell nucleus 114 In particular, candidate pixels _{k.sub.i are} eliminated, that of the set of core candidate pixels _K.sub.i , which are unambiguously the nucleus 114 are identifiable, separated (eg, isolated pixels k _i within the cell plasma 116 ).

3 zeigt einen Schrittzyklus zur Bestimmung eines Parameters γ, der das Zellplasma 116 parametrisiert. Zum Beispiel kann in dem HSV-Farbmodell das Zellplasma 116 dadurch charakterisiert werden, dass der V-Wert bzw. die V-Komponente im HSV-Modell einen bestimmten Schwellwert überschreitet und dieser Schwellwert entspricht dem Wert γ. Da dieser Wert oft nicht universell gewählt werden kann, wird er iterativ den jeweiligen Bedingungen angepasst und diese Anpassung kann durch einen Schrittzyklus geschehen, wie er in 3 gezeigt ist. Da der Rand des Zellplasmas 116 durch ein Unterschreiten der V-Komponente im HSV-Modell unterhalb der Grenze γ signalisiert ist, kann ein geeigneter γ-Wert dadurch festgesetzt werden, dass dieses Unterschreiten der Grenze für mehrere unterschiedliche Pfade eindeutig signalisierbar ist. Dabei wird zunächst in einem Schritt 140 ein Anfangswert γ₀ gewählt und anschließend entlang eines ersten Pfades 120 wird ein erster Rand-Kandidatenbildpunkt P_N durch ein Unterschreiten der Schwelle V = γ₀ ermittelt. Sofern diese Ermittlung in dem Prozessschritt 142 nicht möglich ist, kommt es zu einer Rückkopplung und zwar zu einer Erhöhung des Anfangswerts γ₀ auf einen neuesten Wert γ₁. Unter Verwendung des Werts γ₁ erfolgt in dem Prozessschritt 142 wiederum eine Abfrage, ob die Ermittlung eines ersten Rand-Kandidatenbildpunktes P_N möglich ist. Sofern es wiederum nicht möglich ist, folgt eine Wiederholung der Prozessschritte, das heißt, eine weitere Erhöhung des γ-Wertes und zwar solange bis der erste Rand-Kandidatenbildpunkt P_N ermittelbar ist. Daran anschließend wird entlang eines zweiten Pfades 230 versucht, ein zweiter Rand-Kandidatenbildpunkt P_O unter Verwendung des aktuellen Wertes für γ zu ermitteln. Sofern dies nicht möglich ist, wird wiederum von vorne mit einem neuen, erhöhten Wert für γ die Prozedur von Neuem gestartet. Sofern auch der zweite Rand-Kandidatenbildpunkt P_O ermittelbar ist, erfolgt in einem dritten Schritt entlang eines dritten Pfades 240 eine Ermittlung eines dritten Rand-Kandidatenbildpunktes P_S. Wenn dies mit dem aktuellen Wert für γ möglich ist, erfolgt in einem vierten Schritt 178 eine Bestimmung eines vierten Rand-Kandidatenbildpunktes P_W entlang eines vierten Pfades 250. Nur wenn alle vier Rand-Kandidaten-Bildpunkte P_N, P_O, P_S, P_W für einen bestimmten Wert für γ ermittelbar sind, werden die ermittelten Rand-Kandidatenbildpunkte dazu verwendet, um in den Wegfindungsalgorithmus eine Verbindung zwischen den ersten, zweiten, dritten und vierten Rand-Kandidatenbildpunkt P_N, P_O, P_S, P_W zu ermitteln. 3 shows a step cycle for determining a parameter γ, the cell plasma 116 parameterized. For example, in the HSV color model, the cytoplasm can 116 be characterized in that the V value or the V component in the HSV model exceeds a certain threshold and this threshold corresponds to the value γ. Since this value can often not be chosen universally, it is iteratively adapted to the respective conditions and this adaptation can be done by a step cycle as described in 3 is shown. As the edge of the cell plasma 116 is signaled below the limit γ by falling below the V-component in the HSV model, a suitable γ-value can be set by the fact that this drop below the limit for several different paths can be clearly signaled. It is first in one step 140 an initial value γ _{0 is} selected and then along a first path 120 is a first edge candidate pixel P _N determined by falling below the threshold V = γ ₀ . Provided this determination in the process step 142 is not possible, there is a feedback and that to an increase of the initial value γ ₀ to a newest value γ ₁ . Using the value γ ₁ takes place in the process step 142 again a query whether the determination of a first edge candidate pixel P _{N is} possible. If it is again not possible, this is followed by a repetition of the process steps, that is to say a further increase in the γ value until the first edge candidate pixel P _N can be determined. Following this is along a second path 230 attempts to determine a second candidate edge pixel P _O using the current value of γ. If this is not possible, the procedure is started again from the beginning with a new, increased value for γ. If the second edge candidate pixel P _O can also be determined, a third step takes place along a third path 240 a determination of a third edge candidate pixel P _S. If this is possible with the current value for γ, this is done in a fourth step 178 a determination of a fourth edge candidate pixel P _W along a fourth path 250 , Only if all four edge candidate pixels P _N, P _O, P _S, P _W can be determined for a particular value for γ, the detected edge candidate pixels are used to in the path-finding algorithm a connection between the first, second, third and fourth edge candidate pixels P _N , P _O , P _S , P _W to determine.

4 zeigt ein Ausführungsbeispiel der vorliegenden Erfindung, bei dem das digitale Bild zunächst im RGB-Farbschema und die Bilddaten in einer Vorverarbeitung 160 mittels eines Kuwahara-Filters bearbeitet werden. Anschließend werden die vorverarbeiteten Bilder in das HSV-Farbschema transformiert und es erfolgt eine Kandidatenbestimmung für Kern-Kandidatenbildpunkte K_i, die zu dem Zellkern 114 gehören. Daran anschließend wird der Mittelpunkt K₀ der Kandidatenmenge bestimmt und schließlich in einem Fast-Marching-Algorithmus kann beispielsweise ein erster Rand-Kandidatenbildpunkt P_N bestimmt werden. Wie zuvor beschrieben, ist es vorteilhaft, wenn nur ein Rand-Kandidatenbildpunkt, sondern vier Rand-Kandidatenbildpunkte P_N, P_O, P_S, P_W entlang vier verschiedener Pfade bestimmt werden, die mittels eines Wegfindungsalgorithmus an die Zellkontur 110 angepasst werden. Anschließend erfolgt die Segmentierung des Zellkerns 114 und die so ermittelten Daten werden an dem Ausgang 166 ausgegeben und in eine Nachbearbeitung 170 weiter verbessert. Die Nachbearbeitung 170 kann beispielsweise eine Nachbearbeitung des Zellplasmas 116 umfassen, bei der der Pfad 122 punktweise in Richtung des Zellkerns 114 so lange verschoben wird, bis er den Rand des Zellplasmas 116 erreicht und darüber hinaus kann eine Nachbearbeitung des Kerns 114 mit dem Ziel erfolgen, dass isolierte Punkte eliminiert werden. 4 shows an embodiment of the present invention, in which the digital image first in the RGB color scheme and the image data in a preprocessing 160 be edited using a Kuwahara filter. Subsequently, the preprocessed images are transformed into the HSV color scheme and a candidate determination for kernel candidate image points K _i , which is to the cell nucleus 114 belong. Subsequently, the center point K _{0 of} the candidate set is determined, and finally in a fast marching algorithm, for example, a first edge candidate pixel P _N can be determined. As described above, it is advantageous if only one edge candidate pixel but four edge candidate pixels P _N , P _O , P _S , P _{W are determined} along four different paths, which by means of a pathfinding algorithm to the cell contour 110 be adjusted. Subsequently, the segmentation of the nucleus takes place 114 and the data thus obtained will be at the output 166 issued and in a post-processing 170 further improved. The postprocessing 170 For example, a post-processing of the cell plasma 116 include where the path 122 pointwise in the direction of the nucleus 114 until it is moved to the edge of the cell plasma 116 Achieved and beyond can be a post-processing of the core 114 with the goal of eliminating isolated points.

5 gibt eine schematische Darstellung der Prozessabfolge anhand eines Beispiels. Es ist eine Anzahl von Kern-Kandidatenbildpunkten K_i gezeigt, die eine äußere Begrenzung 114 aufweisen. Ausgehend von einem mittleren Kern-Kandidatenbildpunkt K₀ sind vier Pfade eingezeichnet, ein erster Pfad 120 zu dem Punkt P_N, ein zweiter Pfad 230 zu dem Punkt P_O, ein dritter Pfad 240 zu dem Punkt PS und ein vierter Pfad 250 zu dem vierten Rand-Kandidatenbildpunkt P_W. Unter Verwendung des Parameters γ, so wie es in 3 gezeigt wurde, kann entlang dieser vier Pfade ein Überschreiten der Zellkonturrandkurve 110 festgestellt werden. Das geschieht z. B. für den dritten Pfad 240, von dem mittleren Kern-Kandidatenbildpunkt K₀ zu dem dritten Rand-Kandidatenbildpunkt PS bei dem Überschreiten des Punktes 270. In analoger Weise erfolgt die Detektierung auch für den ersten Pfad 120, für den zweiten Pfad 230 und für den vierten Pfad 250. Nachdem der erste Rand-Kandidatenbildpunkt P_N, der zweite Rand-Kandidatenbildpunkt P_O, der dritte Rand-Kandidatenbildpunkt P_S und der vierte Rand-Kandidatenbildpunkt P_W gefunden sind, erfolgt in dem Wegfindungsalgorithmus die Bestimmung des Pfades 122, der alle vier Rand-Kandidatenbildpunkte P_N, P_O, P_S und P_W verbindet. Wie zuvor beschrieben, basiert der Wegfindungsalgorithmus auf eine Prozedur, so dass der Pfad 122 vorzugsweise außerhalb der durch die Zellkontur 110 dargestellten Zelle bzw. Randes des Zellplasmas 116 verläuft. Bei dem Nachbearbeitungsalgorithmus 170 werden u. a. isoliert liegende Kern-Kandidatenbildpunkte k₁ und k₂ eliminiert, so dass der Kern durch die Randkurve 114 identifiziert ist. Es sei jedoch hier erwähnt, dass innerhalb einer Zelle auch verschiedene Kerne, die voneinander getrennt sind, vorkommen können. Dies würde jedoch implizieren, dass nicht nur einzelne Kern-Bildpunkte k₁ oder k₂ im Bild erscheinen würden, sondern dass stattdessen weitere „Wolken” oder Gebiete von Bildpunkten auftreten würden. 5 gives a schematic representation of the process sequence with an example. A number of core candidate pixels K _{i are} shown, which are an outer boundary 114 exhibit. Starting from a middle kernel candidate pixel K ₀ four paths are drawn, a first path 120 to the point P _N , a second path 230 to the point P _O , a third path 240 to the point PS and a fourth path 250 to the fourth edge candidate pixel P _W. Using the parameter γ, as shown in 3 has been shown can exceed the Zellkonturrandkurve along these four paths 110 be determined. This happens z. B. for the third path 240 from the middle kernel candidate pixel K ₀ to the third candidate edge pixel PS when crossing the dot 270 , In an analogous manner, the detection also takes place for the first path 120 , for the second path 230 and for the fourth path 250 , After the first edge candidate pixel P _N , the second edge candidate pixel P _O , the third edge candidate pixel P _S, and the fourth edge candidate pixel P _{W are} found, the path determination algorithm determines the path 122 which connects all four candidate edge pixels P _N , P _O , P _S and P _W. As previously described, the pathfinding algorithm is based on a procedure such that the path 122 preferably outside of the cell contour 110 represented cell or edge of the cell plasma 116 runs. In the postprocessing algorithm 170 For example, isolated kernel candidate pixels k ₁ and k _{2 are} eliminated so that the kernel passes through the edge curve 114 is identified. However, it should be mentioned here that within a cell, also different nuclei, which are separated from each other, can occur. However, this would imply that not only individual kernel pixels k ₁ or k ₂ would appear in the image, but that instead more "clouds" or areas of pixels would appear.

6 gibt eine graphische Darstellung, wie sich ein Übergang vom Zellkern 114 zum Zellplasma 116 bzw. vom Zellplasma 116 zum Hintergrund bestimmte Komponenten des Farbraumes sprunghaft verändern können. Es ist dabei die Änderung der Farbkomponenten entlang einer Richtung gezeigt, die z. B. von dem mittleren Kern-Kandidatenbildpunkt K₀ zu dem vierten Rand-Kandidatenbildpunkt P_W führt. Die gestrichelte Linie 114 stellt die Randkurve des Zellkerns 114 und die gestrichelte Linie 110 die Randkurve der Zellkontur (d. h. Randkurve des Zellplasmas 116) dar. Da der Zellkern 114 eine spezifische Farbe bzw. Farbkombination aufweist, kommt es an der Grenzlinie 114 zu einem plötzlichen Wechsel der entsprechenden Farbkomponente, die in dieser Darstellung mit F₁ bezeichnet ist. Die Farbkomponente F₁ weist jedoch sowohl innerhalb des Zellkerns 114 (rechts der Linie 114) als auch außerhalb des Zellkerns 114 (links der gestrichelten Linie 114) gewisse Fluktuationen σ₁, σ₂ auf, deren Mittelwert sich jedoch deutlich voneinander unterscheiden, beispielsweise um mehr als 30%. 6 gives a graphical representation of how a transition from the nucleus 114 to the cytoplasm 116 or from the cytoplasm 116 to the background certain components of the color space can change abruptly. It is shown the change of the color components along a direction z. B. leads from the central core candidate pixel K ₀ to the fourth edge candidate pixel P _W. The dashed line 114 represents the boundary curve of the cell nucleus 114 and the dashed line 110 the boundary curve of the cell contour (ie edge curve of the cell plasma 116 ). Since the nucleus 114 has a specific color or color combination, it comes at the boundary line 114 to a sudden change of the corresponding color component, which is designated F ₁ in this illustration. However, the color component F ₁ has both inside the cell nucleus 114 (right of the line 114 ) as well as outside the cell nucleus 114 (left of the dashed line 114 ) certain fluctuations σ ₁ , σ ₂ , the average value of which, however, differ significantly from one another, for example by more than 30%.

Das Zellplasma 116 weist eine andere Färbung auf als der Zellkern 114, so dass in dem Gebiet des Zellplasmas 116, das heißt zwischen der gestrichelten Linie 114 und der gestrichelten Linie 110, eine andere Farbkomponente, die hier mit F₂ bezeichnet ist, einen deutlich überhöhten Wert aufweist. Auch für die weitere Farbkomponente F₂ kann es innerhalb des Zellplasmas 116 als auch außerhalb des Zellplasmas 116 zu Fluktuationen σ₃, σ₄ kommen, wobei jedoch Mittelwerte für F₂ sich innerhalb und außerhalb des Zellplasmas 116 deutlich z. B. um mehr als 30% voneinander unterscheiden.The cytoplasm 116 has a different color than the nucleus 114 so that in the area of the cell plasma 116 that is, between the dashed line 114 and the dashed line 110 , another color component, here designated F ₂ , has a significantly inflated value. Also for the further color component F ₂ , it may be within the cell plasma 116 as well as outside the cell plasma 116 to fluctuations σ ₃ , σ ₄ come, however, whereby means for F ₂ inside and outside of the cell plasma 116 clearly z. B. differ by more than 30% from each other.

Die Einfärbung des Zellkerns 114 als auch des Zellplasmas 116 und des Zellhintergrunds (links der Linie 110) erfolgt dabei durch eine entsprechend gewählte Vorverarbeitung des Blutausstriches und kann von dem gewählten Verfahren abhängig sein.The coloring of the nucleus 114 as well as the cell plasma 116 and the cell background (left of the line 110 ) takes place by a correspondingly selected preprocessing of the blood smear and may depend on the chosen method.

Um die Rand-Kandidatenbildpunkte P_N, P_O, P_S und P_W zu identifizieren, wurde ein Wechsel von einem ersten Abschnitt zu einem zweiten Abschnitt des Farbraumes verwendet und dieser Wechsel entspricht dem deutlichen Abfall der Komponente F₂ bei der gestrichelten Linie 110. Das heißt, das entsprechend gewählte Verfahren sollte sensitiv für einen plötzlichen Abfall der Komponente F₂ sein, nicht jedoch auf einem plötzlichen Anstieg der Komponente F₂, wie er beispielsweise bei der Kerngrenzlinie 114 auftritt.In order to identify the edge candidate pixels P _N , P _O , P _S, and P _W , a change from a first portion to a second portion of the color space has been used, and this change corresponds to the marked fall of the component F ₂ in the dashed line 110 , That is, the appropriately chosen method should be sensitive to a sudden drop in component F ₂ , but not to a sudden increase in component F ₂ , as in the case of the core boundary line, for example 114 occurs.

7 gibt eine graphische Veranschaulichung des Wegfindungsalgorithmus, der verwendet wird, um eine Verbindung zwischen den Randkandidatenbildpunkten P_N, P_O, P_S und P_W zu finden. Der Wegfindungsalgorithmus basiert auf einer Kostenfunktion, so dass der bevorzugte Weg durch minimale Kosten ausgezeichnet ist. 7 gibt eine graphische Darstellung für eine solche Kostenfunktion in Form eines Höhenprofils, wobei die Grenze der Zellkontur 110 mit der Linie 110 gekennzeichnet ist und der Wegfindungsalgorithmus den Pfad 122 liefert. Die Kostenfunktion ist dabei derart gewählt, dass ein Überschreiten der Linie 110 bestraft wird, so dass das Resultat des Wegfindungsalgorithmus nahezu ausschließlich außerhalb der Linie 110, das heißt außerhalb der Zellkontur, verläuft. Dies geschieht dadurch, dass die Kostenfunktion ab der Linie 110 sehr stark ansteigt, was sich in einer Häufung von Höhenlinien 1101, 1102, 1103, ..., zeigt. Andererseits sollte der Pfad 122 sich auch nicht zu weit von der Zellkonturlinie 110 entfernen, so dass eine geeignet gewählte Kostenfunktion auch mit zunehmendem Abstand von der Zellkonturgrenzlinie 110 ansteigt. Dies ist durch die Höhenlinien 2901, 2902 und 2903 gegeben. 7 Figure 4 is a graphical illustration of the pathfinding algorithm used to find a connection between the edge candidate pixels P _N , P _O , P _S and P _W. The pathfinding algorithm is based on a cost function so that the preferred path is characterized by minimal cost. 7 gives a graph for such a cost function in the form of a height profile, wherein the boundary of the cell contour 110 with the line 110 and the pathfinding algorithm identifies the path 122 supplies. The cost function is chosen such that exceeding the line 110 is penalized, so that the result of the pathfinding algorithm almost exclusively off the line 110 , that is outside the cell contour, runs. This happens because the cost function is off the line 110 increases very much, resulting in an accumulation of contour lines 1101 . 1102 . 1103 , ..., shows. On the other hand, the path should be 122 not too far from the cell contour line 110 so that a suitably chosen cost function also with increasing distance from the cell contour boundary line 110 increases. This is through the contour lines 2901 . 2902 and 2903 given.

Der Wegfindungsalgorithmus bestimmt den Pfad 122 möglichst „im Tal”, d. h. unter Vermeidung eines Überschreitens von möglichst wenigen Höhenlinien. Andererseits wird entlang einer Höhenlinie oder entlang einer Ebene mit gleicher Höhenlinie der Weg geometrisch minimiert wird und somit weitgehend als eine Gerade verlaufen. Dies ist der Fall für den Pfad 122 von dem Punkt P_O bis zu dem Punkt p₂, bei dem der Pfad 122 aufgrund des Überschreitens der Zellkonturgrenzlinie 110 sich plötzlich ändert, so dass das Innere der Zellkonturgrenzlinie 110 sofort wieder verlassen wird. Daran anschließend erfolgt zunächst eine gradlinige Fortführung des Pfades 122, der wegen der leicht ansteigenden Kostenfunktion bei der Höhenlinie 2902 sich in einem weiten Bogen hin zur Zellkontur 122 fortsetzt. Dieser Wegfindungsalgorithmus wird solange fortgesetzt, bis ein geschlossener Weg entsteht, der sich von wenige Ausnahmen abgesehen (wie bei dem Punkt p₂ zum Beispiel) um die Zellkonturgrenzlinie 110 herum bewegt.The route finding algorithm determines the path 122 as far as possible "in the valley", ie avoiding exceeding of as few contour lines as possible. On the other hand, the path is geometrically minimized along a contour line or along a plane with the same contour line and thus largely run as a straight line. This is the case for the path 122 from the point P _O to the point p ₂ at which the path 122 due to the crossing of the cell contour boundary line 110 suddenly changes, leaving the inside of the cell contour boundary line 110 will leave immediately. Subsequently, a straight continuation of the path follows 122 , because of the slight increase in the cost function of the contour line 2902 in a wide arc towards the cell contour 122 continues. This pathfinding algorithm is continued until a closed path is established which, with a few exceptions (such as point p ₂ for example), is around the cell contour boundary line 110 moved around.

8 zeigt vier verschiedene Bilder für vier verschiedene Stadien bei der Ausführung des Algorithmus. 8a zeigt ein Ausgangsbild und 8b die Zellkonturverteilung, die mittels eines Fast-Marching-Algorithmus erhalten wurde. In 8c ist der Pfad 122 als Ergebnis der Wegfindungsalgorithmen vor der Nachbearbeitung und 8d ein modifizierter Pfad 122' als Ergebnis der Nachbearbeitung (d. h. einer punktweisen Verschiebung nach innen) gezeigt. 8th shows four different images for four different stages in the execution of the algorithm. 8a shows an output image and 8b the cell contour distribution obtained using a fast marching algorithm. In 8c is the path 122 as a result of the pathfinding algorithms before postprocessing and 8d a modified path 122 ' as a result of post-processing (ie, a pointwise inward shift).

In 9 sind vier verschiedene Typen von Leukozyten dargestellt, wobei Segmentierungsergebnisse von Zellkern 114 und Zellplasma 116 (durch die Pfade 122a, 122b. 122c und 122d) gezeigt sind. 9b zeigt zum Beispiel mehrere Zellkerne, 9c zeigt ein Beispiel für Monozyten und 9a ein Zellkern 114, der ein Loch aufweist.In 9 Four different types of leukocytes are shown, with cell nucleus segmentation results 114 and cytoplasm 116 (through the paths 122a . 122b , 122c and 122d ) are shown. 9b shows, for example, several cell nuclei, 9c shows an example of monocytes and 9a a nucleus 114 which has a hole.

Zusammenfassend kann das erfindungsgemäße Verfahren wie folgt beschrieben werden. Die Segmentierung von Zellkern 114 und Zellplasma 116 weißer Blutzellen bildet die Grundlage für die Erstellung eines automatischen, bildbasierten Differenzialblutbildes. In einem erfindungsgemäßen Verfahren zur entsprechenden Segmentierung von Leukozyten kann zunächst eine Vorverarbeitung durch ein Kuwahara-Filter vorgenommen und anschließend ein Fast-Marching-Verfahren zu einer Bestimmung der groben Zellumrisse verwendet werden. Um die Zellflächen zu erhalten, kann anschließend ein kürzester Wege-Algorithmus angewendet werden. Die Markierung des Zellkerns 114 kann z. B. durch eine Schwellenwertoperation erfolgen. Eine Evaluierung des erfindungsgemäßen Verfahrens kann mit Hilfe einer repräsentativen Stichprobe erfolgen und mit einer Handsegmentierung auf der Basis von Dice-Koeffizienten sowie der Hausdorff-Distanz verglichen werden.In summary, the method according to the invention can be described as follows. The segmentation of nucleus 114 and cytoplasm 116 White blood cells form the basis for creating an automatic, image-based differential blood picture. In a method according to the invention for the corresponding segmentation of leukocytes, a preprocessing by a Kuwahara filter can first be carried out and then a fast marching method can be used to determine the coarse cell outlines. To obtain the cell surfaces, a shortest path algorithm can then be applied. The marking of the nucleus 114 can z. B. be done by a threshold operation. An evaluation of the method according to the invention can be carried out with the aid of a representative random sample and compared with a hand segmentation on the basis of dice coefficients as well as the Hausdorff distance.

Insbesondere wird darauf hingewiesen, dass abhängig von den Gegebenheiten das erfindungsgemäße Schema auch in Software implementiert sein kann. Die Implementierung kann auf einem digitalen Speichermedium, insbesondere einer Diskette oder einer CD mit elektronisch auslesbaren Steuersignalen erfolgen, die so mit einem programmierbaren Computersystem zusammenwirken können, dass das entsprechende Verfahren ausgeführt wird. Allgemein besteht die Erfindung somit auch in einem Computerprogrammprodukt mit auf einem maschinenlesbaren Träger gespeicherten Programmcode zur Durchführung des erfindungsgemäßen Verfahrens, wenn das Computerprogrammprodukt auf einem Rechner abläuft. In anderen Worten ausgedrückt kann die Erfindung somit als ein Computerprogramm mit einem Programmcode zur Durchführung des Verfahrens realisiert werden, wenn das Computerprogramm auf einem Computer abläuft.In particular, it should be noted that, depending on the circumstances, the inventive scheme can also be implemented in software. The implementation may be on a digital storage medium, in particular a floppy disk or a CD with electronically readable control signals, which may interact with a programmable computer system such that the corresponding method is executed. In general, the invention thus also consists in a computer program product with program code stored on a machine-readable carrier for carrying out the method according to the invention when the computer program product runs on a computer. In other words, the invention can thus be realized as a computer program with a program code for carrying out the method when the computer program runs on a computer.

Claims

Method for determining a cell contour ( 110 ) of a cell with a cell nucleus ( 114 ) and a cytoplasm ( 116 ) in an image of the cell, comprising: determining candidate kernel pixels (K _i ) that are associated with the nucleus ( 114 ) belong; Determining a pixel lying within a region formed by the core candidate pixels (K _i ) to obtain a mean core candidate pixel (K ₀ ); Determining a first edge candidate pixel (P _N ) as a pixel on a predetermined path leading away from the central core candidate pixel (K ₀ ) ( 120 by detecting a change from a first portion to a second portion of a color space; and finding continued edge candidate pixels from the first candidate edge pixel (P _N ) that defines a boundary surrounding the cell (P _N ); 122 ) using a pathfinding algorithm that tends to favor smaller path lengths and paths through pixels in the second portion of the color space.

The method of claim 1, wherein determining the core candidate pixels (K _i ) comprises examining pixels as to whether a sum of their three color components in an RGB color space falls below a predetermined threshold.

Method according to one of the preceding claims, wherein the mean core candidate pixel (K ₀ ) is determined as such core candidate pixel for which a sum of distances to the remaining core candidate pixels (K _i ) becomes minimal.

The method of claim 1, further comprising a second edge candidate pixel (P _O ), a third candidate edge pixel (P _S ), and a fourth edge candidate pixel (P _W ) as pixels on further ones of the middle core candidate pixel (P _O ). K _O ) from predetermined paths leading away in different directions ( 230 . 240 . 250 ) can be determined by detecting a change from the first portion to the second portion of the color space.

Method according to one of the preceding claims, wherein the step of finding leading edge candidate pixels by means of the pathfinding algorithm is performed using a cost function, the cost function being removal from the cell contour ( 110 ) away from exceeding the cell contour ( 110 ) prefers.

Method according to one of the preceding claims, wherein the pathfinding algorithm uses a cost function, wherein at constant cost function the pathfinding algorithm provides a straight line path.

The method of any one of the preceding claims, further comprising the step of transforming image data into a HSV color space.

Method according to one of the preceding claims, in which the step of determining a first edge candidate pixel (P _N ) as color space is a HSV color space with an H-component, an S-component and a V-component, and in which pixels of the Cellplasmas ( 116 ) can be determined by exceeding a predetermined limit (γ) of the V component of the HSV color space.

Method according to Claim 7, in which the predetermined limit γ is iteratively adapted so that on four different paths ( 120 . 230 . 240 . 250 ) leading away from the central core candidate pixel (K _O ), four candidate edge pixels (P _N , P _O , P _S , P _W ) are found.

Method according to one of the preceding claims, further comprising a pre-processing ( 160 ) and the pre-processing ( 160 ) comprises using a Kuwahara filter.

Method according to one of the preceding claims, further comprising a step of classifying a nucleus ( 114 ), wherein the segmenting of a nucleus ( 114 ) comprises using a ratio of a blue component to a green component of an RGB color space.

Method according to one of the preceding claims, further comprising a post-processing ( 170 ) and the post-processing ( 170 ) a point-by-point shifting of the path ( 122 ) found by means of the pathfinding algorithm.

The method of any one of the preceding claims, further comprising kernel post-processing and said kernel post-processing comprises removing isolated core candidate pixels (k _i ).

Method according to one of the preceding claims, wherein the step of determining kernel candidate image points (K _i ) comprises determining pixels of the image which lie in a first predetermined region of the color space.

Device for determining a cell contour ( 110 ) of a cell with a cell nucleus ( 114 ) and a cytoplasm ( 116 ) in an image of the cell, comprising: means for determining kernel candidate image points (K _i ) that go to the nucleus ( 114 ) belong; a device for determining an area formed inside the core candidate pixels (K _i ) ( 114 ) to obtain a middle kernel candidate pixel (K ₀ ); means for determining a first edge candidate pixel (P _N ) as a pixel on a predetermined path leading away from the central core candidate pixel (K ₀ ) ( 120 by detecting a change from a first portion to a second portion of a color space; and means for finding contiguous edge candidate pixels from the first candidate edge pixel (P _N ) that defines a boundary surrounding the cell ( 122 ), by means of a pathfinding algorithm, which tends to favor smaller path lengths and paths through pixels in the second portion of the color space.

The device according to claim 15, further comprising a Kuwahara filter.

Apparatus according to any one of claim 15 or claim 16, further comprising an open-close filter.

Apparatus according to any one of claims 15 to 17, further comprising means for transforming an RGB color space into a HSV color space.

Apparatus according to any one of claims 15 to 18, further comprising means for cell nucleus classification.

Apparatus according to any of claims 15 to 19, further comprising means for post-processing ( 170 ) of the cell plasma ( 116 ), the post-processing ( 170 ) has a displacement of the path determined by the pathfinding algorithm.

Computer program with a program code for performing a method according to one of claims 1 to 14, when the computer program runs on a computer.